graph-memory

本文提出 TAG-Nav 框架，通过任务无关的图导航记忆为移动 GUI 代理提供可复用的导航知识，并引入 DestBench 导航评测协议，实验表明图记忆可显著提升 UI-TARS-1.5-7B 和 Qwen-VL-Max 的导航成功率。

本文提出了GraphMemory，一种轻量级的基于图的记忆系统，将存储的知识与上下文解耦，每次查询仅检索相关的子图，从而实现Token高效的测试时持续学习，同时相比基线方法节省81–85%的记忆构建Token。

GraMRAG是一个新的多智能体RAG框架，它使用图记忆和强化学习来提升复杂多模态任务中的推理深度和记忆结构，实现了最先进的性能。

本文评估了一个面向长期LLM代理的基于图的记忆框架，发现该框架在召回指标上并不优于扁平向量检索，但选择性遗忘模块能以最小性能损失有效减少存储。

提出了 EvoGraph-Mem，一种用于长期语言代理的失败感知可编辑图记忆框架，该框架跟踪正面/负面证据和激活状态以获取洞察，通过基于效用的检索和图级编辑实现记忆维护。

本文介绍了HiGram，一种面向LLM智能体的演化式层级图记忆框架，具备路径级定位与协同重写功能，以提高长期推理任务中的检索效率和答案质量。

提出Co-E，一种免训练系统，同步图记忆与文本记忆用于多跳问答，在六个基准上优于可比的免训练基线。

一项涵盖9,842个任务的斯坦福研究表明，将循环工程与图记忆相结合，可生成比标准智能体性能高出38.6%的AI智能体，不必要的工具调用减少24.1%，延迟降低21.7%。

讨论构建LLM记忆系统的不同思想流派，重点关注图记忆及其对人类创造力和归纳偏置的潜力。

一篇新论文介绍了适用于LLM智能体的图记忆。

作者反思了将扁平化Markdown文件用作智能体长期记忆的局限性，随着记忆增长，这导致了提示债，并提倡使用基于图的记忆表示方法，动态检索相关上下文。

# HeLa-Mem: Hebbian Learning and Associative Memory for LLM Agents 来源：[https://arxiv.org/html/2604.16839](https://arxiv.org/html/2604.16839) Jinchang Zhu1,∗,a, Jindong Li1,∗, Cheng Zhang2,∗, Jiahong Liu3, Menglin Yang1,†,b 1香港科技大学（广州） 2吉林大学 3香港中文大学 [email protected] [email protected] ∗同等贡献 †通讯作者 ###### 摘要 长...